← 返回 Siami 首頁

OpenAI 發表 GPT-6.1 Terra:價格砍半、速度快三倍、幻覺率從 88% 降到 38%,但中階模型的存在理由更模糊了

▲ 519 💬 329
OpenAI 發表 GPT-6.1 Terra:價格砍半、速度快三倍、幻覺率從 88% 降到 38%,但中階模型的存在理由更模糊了

編按:本文綜合整理自 OpenAI 官方發布文章〈Introducing GPT-6.1 Terra〉、Artificial Analysis 獨立評測〈GPT-6.1 Terra pushes the cost efficiency frontier〉、9to5Mac:OpenAI upgrades ChatGPT and Codex with new GPT-6.1 Terra model、OpenAI Deployment Safety Hub:GPT-6.1 Terra 系統卡附錄、OpenAI 官方 YouTube 示範影片 與 Hacker News 討論串(519 分、329 則回覆),並加入 Siami 編輯部觀點與分析。

2026 年 10 月 26 日美東時間,OpenAI 發表 GPT-6.1 Terra。這不是旗艦模型的升級,而是補上一個四個月前被刻意留空的缺口。

背景要先講清楚。今年 9 月 22 日 OpenAI 推出 GPT-6 系列時,總共更新了 Sol 與 Luna 兩個級距,唯獨跳過了中階的 Terra——媒體當時解讀為 Terra 會留在舊版,等下一次整體改版再說。三週前 GPT-6.1 Sol 單獨登場時,Terra 依然缺席。現在它終於回來了,但版本號直接跳到 6.1,繞過了 6.0。

發表消息在 Hacker News 累積 519 分、329 則回覆,是本週 AI 圈討論度最高的一件事。而討論的焦點,不是性能。


價格砍半:四階梯定價表重新洗牌

Terra 的標準 API 定價是每百萬輸入 token 1 美元、快取輸入 0.05 美元、輸出 5 美元。官方說法很直接:比前代 GPT-5.6 Terra 與同級的 GPT-6.1 Sol 都低了 50%。Artificial Analysis 的獨立對帳則給出更完整的數字——相較 GPT-5.6 Terra 的每百萬 2 美元輸入與 12 美元輸出,Terra 是 1 美元與 5 美元;快取寫入價格也跟著砍半到每百萬 1.25 美元,快取讀取更是直接縮到四分之一(0.05 美元 vs 0.20 美元)。

把四個級距的完整價格排開,階梯其實相當清楚:

  • GPT-6 Luna — 輸入 0.10 美元、快取 0.01 美元、輸出 0.50 美元
  • GPT-6.1 Terra — 輸入 1 美元、快取 0.05 美元、輸出 5 美元
  • GPT-6.1 Sol — 輸入 2 美元、快取 0.10 美元、輸出 10 美元
  • GPT-6 Astra — 輸入 10 美元、快取 1 美元、輸出 50 美元

每一階都是整整五倍。Terra 精準地卡在 Luna 與 Sol 的正中間。

但有個細節值得注意:官方文件寫的是「快取讀取」(cache read)0.05 美元,同一頁其他模型卻寫「快取輸入」(cached input)。這只是術語不一致,但對照 OpenAI 自己的商業定價頁,Terra 那一欄確實少了一個「ed」——社群上有人抓出來玩笑說,這大概是這次發布唯一沒有被 benchmark 化的新能力。

電腦操作與視覺推理:Terra 真正的戰場

Terra 這次的差異化賣點不在寫作,而在看得懂圖然後真的動手做。官方主打的場景非常具體:從工程圖判讀、填表、剪輯影片,到逐格檢視動畫並產出帶時間碼的修復紀錄表。這不是聊天機器人的場景,是「坐在你旁邊操作電腦的同事」的場景。

三個官方引用的基準測試構成主體:

  • Agents’ Last Exam(ALE) — 中等推理強度下比 GPT-5.6 Terra 高 15 個百分點,成本約為三分之一;換算成 token 單價,只有 GPT-6 Astra 的十分之一。最高推理強度下,比 Claude Opus 5.5 省下三倍以上的 token、價格只要四分之一,單任務成本約低 9 倍,而且任務完成速度比 GPT-6 Astra 與 GPT-6.1 Sol 都快三倍以上。
  • MMMU-Pro — 視覺推理測試,在每一個推理強度下都超越 GPT-5.6 Terra,並以更低成本逼近最強的 GPT-6 Astra 與 GPT-6.1 Sol。
  • OSWorld 2.1 — 桌面應用多步驟操作,中等推理強度下超越 GPT-5.6 Terra 的最佳成績,成本只要零頭。

Terminal-Bench 4.0 的數字則相對保守:最高推理強度下解出 50.3% 的任務,官方自己承認是 GPT-5.6 Terra 公布成績 21.5% 的兩倍以上,但同時明說「最複雜的程式設計任務,GPT-6.1 Sol 與 GPT-6 Astra 仍是更好的選擇」。Terminal-Bench-Science 0.1 上,Terra 在最高推理強度下超越 GPT-6.1 Sol 且成本更低,距離 Opus 5.5 不到五分,估算成本卻不到其五分之一。

安全面:GPT-6.1 Terra 在 Preparedness Framework 的網路安全項目達到 Critical 等級,沿用 GPT-6 Astra 建立的防護;對齊測試顯示它比 GPT-5.6 Terra 更傾向留在任務範圍內、也更願意誠實揭露限制與阻礙,prompt injection 測試中對惡意指令的抵抗力也更強。


幻覺率從 88% 降到 38%:第三方實測最值得看的一條

官方數字已經很驚人:內部誘導錯誤測試中,低推理強度的錯誤率從 GPT-5.6 Terra 的 53.6% 降到 16.7%,落差將近 37 個百分點;最高推理強度下則下降 18 個百分點至 4.3%,幾乎追平 GPT-6 Astra 與 GPT-6.1 Sol。

但 Artificial Analysis 的獨立評測給出更狠的一條:在他們私有的 AA-Omniscience 知識與幻覺基準中,GPT-6.1 Terra 不知道答案時仍然亂猜的比例為 38%,而前代 GPT-5.6 Terra 是 88%——整整 50 個百分點的落差。而且這不是用亂猜換來的,AA-Omniscience 的準確率同時還提高了 2 分。

同時發布的還有 Coding Agent Index v2.0 成績 48 分,比 GPT-6.1 Sol 的 54 分低 6 分,比 GPT-6 Luna 的 31 分高 17 分;最高推理強度的 AA 智慧指數 48 分,比 GPT-6.1 Sol 低 4 分、比 GPT-6 Luna 高 10 分。

一句話總結:Terra 的智慧沒有超越 Sol,但它把每分錢能買到的智慧往前推了一大段。

為什麼這件事重要

AI 產業過去兩年最要緊的那條軸線,已經從「誰最聰明」轉移到「誰能用最少的錢把任務做完」。GPT-6.1 Terra 是這條軸線上一次教科書級的示範:它沒有推出任何新的智慧巔峰,卻把旗艦模型與次旗艦模型之間原本存在的成本落差,直接砍掉一半再對折。

對企業端來說,這個數字的意義遠大於排行榜上的名次。官方點名的四類工作——填寫表單、讀取發票並登錄會計軟體、判讀工程圖、逐格檢視影片——正是過去最難交給 AI 的那種「看得到、做得動、但不需要頂尖智慧」的日常流程。把這些流程的成本壓到 GPT-6.1 Sol 的一半,代表自動化從「要先精算 ROI 才敢導入」變成「可以先全面鋪開再說」。

更關鍵的是幻覺率。88% 到 38% 這條線,意味著把模型交給真人複核的成本同步下降。過去模型幻覺率高,不是因為模型笨,而是因為它被逼著在不知道時也要給答案,於是胡編。錯誤率壓下來,意味著更多類型的流程「不再需要人逐筆核對」,而這才是企業真正卡住的地方。

另外還有一層容易被忽略的訊號:Terra 在 GPT-6 改版時被跳過,卻在三週後單獨以 6.1 身分回歸,這說明 OpenAI 內部對「哪一階模型給哪一類工作」的判斷已經重新洗牌過一次。而官方在同一篇文章裡直接寫明最複雜的程式任務仍該用 Sol 或 Astra——這種坦白,在過去的發布文章裡相當罕見。

數據解讀:五個數字,五個問題

第一,「快三倍」是對誰的三倍? 官方宣稱任務完成速度比 GPT-6 Astra 與 GPT-6.1 Sol 快三倍以上。但 ALE 是代理基準,測的是模型在受控環境下完成既定流程的耗時,不是真實企業流程的端到端時間。真實流程裡還有網路延遲、工具呼叫失敗、重試邏輯。這一項需要在自己的資料上重測。

第二,9 倍單任務成本差是怎麼來的? 官方說最高推理強度下 Terra 比 Claude Opus 5.5 單任務成本低約 9 倍。拆開來看,是「三倍以上 token 效率」乘上「四分之一價格」。但 Anthropic 的帳單是以快取讀取佔九成以上的 agentic coding 支出結構為基準算的。若實際工作負載偏長文件生成、偏單次大量輸出的情境,這個倍數會大幅收斂。

第三,38% 這個數字要怎麼解讀? AA-Omniscience 測的是「模型不知道時是否願意承認不知道」,這是知識型幻覺。官方測的是「錯誤誘發型提示下的錯誤率」,偏向推理崩壞。兩者方向一致但不同意義。38% 仍然意味著每三題就有一題是亂猜的——對於需要事實嚴謹的場景,這個比率還不足以放手。

第四,官方與第三方在 Terminal-Bench 上出現口徑差。 官方講 Terminal-Bench 4.0 最高推理強度 50.3% 對前代 21.5%,Artificial Analysis 則說是「約 20 分進步」並在最高強度下與 GPT-6.1 Sol 互換領先。社群裡則有人直接翻出原始數據指出:Terra 在 Terminal-Bench 4.0 需要開到 xhigh 才勉強追得上 Sol,而且還更貴。同樣的基準、不同的推理強度設定,結論可以完全相反——這正是發布文章挑基準的空間所在。

第五,49 分 vs 58 分。 社群從第一時間就翻出了 AA 智慧指數的實際數字:Terra 最高強度 48 分,Claude Opus 5.5 最高強度 58 分,中間是整整 10 分的落差。這是全場最誠實的一個數字——官方文章裡完全沒有主動提起 Opus 5.5 的智慧指數分數,只在 token 效率與價格上做對比。

質疑:中階模型還需要存在嗎?

Hacker News 上被最多人引用、也最尖銳的一條質問來自 Silagi:Terra 與 Sonnet 存在的理由到底是什麼?他說自己給這兩者幾乎每個任務,要嘛往上調一級但下調推理強度、要嘛往下調一級但上調推理強度,會比較好,「我做的所有測試裡,都沒找到它們有那種不會被『更便宜但結果相同』或『同價但效能更好』取代的利基」。

這是整份發布裡最實在的問題,而且答案其實藏在產品線的變動裡。Someone1234 把命名混亂講得最清楚:一開始是 Luna(小)、Terra(中)、Sol(大);加了 Astra(更大)之後還算自洽;接著 Sol-6.1 發布、有時候甚至超越 Astra,Terra 卻被停用,看起來變成「Luna(小)、Sol-6.1 等於 Astra」;現在 Terra 又以 6.1 回歸——「微軟的行銷主管是跳槽到 OpenAI 跑了嗎?」

模型階梯一旦開始移動,中階就是最容易被擠掉的位置。Luna 變強會往上吃 Terra 的需求,Sol 變便宜會往下吃 Terra 的空間。而 minimaxir 的觀察更直接:Terra 的降價軌跡跟 GPT-5.6 Sol 升級到 GPT-6.1 Sol 是同一條 75% 砍價路線,「整體像是對 Sonnet 5.5 的一次挑釁」——在兩邊的中間層都被擠壓的狀態下,Terra 一上市就被拿來跟 Sonnet 5.5 對打。

而最尖銳的反方意見來自 XCSme 的實測:「我搞不懂。在我的測試中,開到 max 推理強度時,它比 6.1 sol 更差而且貴兩倍。用在 medium 檔位看起來才是最佳使用情境。」user43928 的說法也一致:Terminal-Bench 4.0 那一欄它需要開到 xhigh 才追得上 Sol,而且花更多錢換到略差的結果。

換句話說,Terra 的甜蜜點可能是 medium 推理強度,不是 max。這對 OpenAI 是一個很明確的產品設計暗示——但也代表如果開發者習慣性地把推理強度開到最大,Terra 的成本優勢會在實務上被自己的使用習慣吃掉。

還有一層元問題:追蹤這條線的 vdfs 說了一句被多人轉貼的話——「pelican 測試也是被挑過的,而且是大概最沒用的一個。」所謂 pelican,是讓模型用 SVG 畫一隻騎腳踏車的鵝。Simon Willison 實測後發現 none 與 low 推理強度完全沒有消耗任何推理 token,low 甚至比 none 還省;「medium 確實用了 496 個推理 token,但顯然不足以輸出可見的推理軌跡」。這類「模型不是被 OpenAI 選的」測試價值在於無法挑基準,但它的內容本身也不構成嚴格的能力證據——只能證明模型沒有被訓練過這套 SVG 畫法。toxik 的一句總結很到位:「該用的詞是 cherry-picked,不是 nitpicked。」

接下來該看什麼

GPT-6.1 Terra 已經全面上架 ChatGPT Work、Codex 與 API(模型名 gpt-6.1-terra),Plus、Pro、Enterprise 與 Edu 用戶都能直接使用。三件事值得繼續追:

  1. 完整基準測試套件 — 目前所有數字都來自 OpenAI 自選的項目。Artificial Analysis 的智慧指數已經是最接近第三方全貌的數字(Terra 48 / Sol 54 / Opus 5.5 58),後續還有更多獨立機構的成績會補上。
  2. SWE-bench Verified 之類的軟體工程真實基準 — 官方自己承認最複雜的程式任務仍該用 Sol 與 Astra。Terra 在真實程式碼庫上的表現,才是決定企業要不要把日常 coding 負載交出去的關鍵。
  3. 推理強度與成本的實際甜蜜點 — 社群實測一致指向 medium 檔位。如果官方未來把 medium 設為預設,這個模型的成本結構會跟現在討論的完全不一樣。

市場的反應則更微妙——OpenAI 自己發布的 demo 影片,留言區最常見的抱怨不是性能,而是廣告裡重現了歐洲那場兩年前造成死傷的列車事故。有網友說「我不懂,我是這裡唯一覺得那支廣告有點怪的人嗎」。

延伸參考:OpenAI 官方發布文章〈Introducing GPT-6.1 Terra〉、OpenAI 官方定價頁、Artificial Analysis:GPT-6.1 Terra pushes the cost efficiency frontier、Artificial Analysis 模型頁、9to5Mac:OpenAI upgrades ChatGPT and Codex with new GPT-6.1 Terra model、OpenAI Deployment Safety Hub:GPT-6.1 Terra 系統卡附錄、OpenAI 官方 YouTube 影片:GPT-6.1 Terra is now in orbit、X:Artificial Analysis 的 Coding Agent Index 成績、X:Artificial Analysis 的幻覺率數據、ChatGPT 官方更新日誌 與 Hacker News 討論串(519 分、329 則回覆)。

網友熱門留言 (7)

#1 Hacker News 網友 minimaxir 0
跟 GPT-5.6 Sol 升到 GPT-6.1 Sol 是類似的 75% 降價軌跡。整體來說 Terra 還是 Sol 的一半價格。但跟初代 Terra 一樣,它在中間那個尷尬的位置:一邊是實力大幅提升的小模型 Luna,一邊是價格大幅下殺的大模型 Sol。TerminalBench 4.0 的每次任務成本數據看起來有點混亂,我不太確定為什麼要選 Terra 而不是 Sol。整體來說這次發布像是對 Sonnet 5.5 的一次挑釁——那個夾在無所不能的 Opus 5.5 和意外能幹的 Haiku 5.5 之間、自己也有中間兒子難題的模型。
#2 Hacker News 網友 Someone1234 0
我對他們的模型市場定位與命名架構非常困惑。一開始是 Luna(小)、Terra(中)、Sol(大),熟悉之後還算順。但後來他們加了 Astra 當「更大」,還算能自洽,接著事情就開始混亂了:他們發了有時候表現超越 Astra 的 Sol-6.1,又把 Terra 停用,看起來變成 Luna(小)、Sol-6.1 等於 Astra,而 Sol-6.1 的售價還是舊 Terra-6.0 的價位。現在又把 Terra 以 6.1 的身分帶回來,只會更讓人搞不清楚。微軟的行銷主管是跳槽到 OpenAI 了嗎?
#3 Hacker News 網友 simonw 0
GPT-6.1 Terra 的鵝鵝測試結果。有意思的是 none 與 low 兩個推理強度似乎完全沒有消耗任何推理 token,而且 low 用掉的 token 還比 none 更少、花費也更便宜。medium 確實用了 496 個推理 token,但顯然不足以輸出可見的推理軌跡。OpenAI 目前的前線模型 lineup 是 gpt-6-astra、gpt-6.1-sol、gpt-6.1-terra、gpt-6-luna,這裡有各模型不同推理強度的鵝鵝對照圖。
#4 Hacker News 網友 XCSme 0
我搞不懂。在我的測試中,開到 max 推理強度時,它比 6.1 sol 更差而且貴兩倍。用在 medium 檔位看起來才是最佳使用情境,也比 6.1 Sol 便宜。
#5 Hacker News 網友 Silagi 0
有人可以說得出 Terra 和 Sonnet 存在的具理由嗎?我給這兩者幾乎每個任務,要嘛往上調一級但下調推理強度、要嘛往下調一級但上調推理強度,會比較好。我真的看不懂它們的用途。我做過的所有測試裡,都沒找到它們有那種不會被『更便宜但結果相同』或『同價但效能更好』選項取代的利基。
#6 Hacker News 網友 user43928 0
第一張圖看起來很棒,但 Terminal Bench 4.0 那邊很糟,得開到 xhigh 才勉強追得上 6.1 Sol,而且還花更多錢換到略差的結果。
#7 Hacker News 網友 saretup 0
AA 智慧指數:GPT-6.1 Terra Max 拿 48 分,Opus 5.5 Max 是 58 分。